AIとPeople Analyticsの普及により、パフォーマンスマネジメントをめぐる議論も変わりつつある。目標を人が直接書き、四半期末に達成率を手作業で整理していたやり方は、次第に説得力を失っている。コラボレーションツール、業務記録、顧客データ、HRデータがつながれば、目標の進捗状況はより頻繁に、より詳細に、より自動的に見えるようになる。
しかし、これはOKRの自動化を意味しない。AIは目標文を提案でき、People Analyticsは指標の変化を素早く示すことができる。だが、何を重要な目標とみなすのか、どの指標を成果の証拠として認めるのか、未達の原因をどう解釈するのかは、依然として組織の判断の問題である。AI時代のOKRは、目標を書く技術よりも、解釈と責任の運用体系がより重要になる方向へ移っている。
AIはOKRを代わりに決めることはできないが、証拠収集のコストを下げる
Google OKR playbookは、Key Resultは活動ではなく結果を説明すべきであり、完了の証拠はavailable, credible, easily discoverableでなければならないと説明している。例として、文書、ノート、published metrics reportsのような証拠を挙げている。この原則は、AIとPeople Analyticsの時代にいっそう重要になる。
AIは、議事録、プロジェクト管理ツール、顧客フィードバック、業務文書から目標進捗のシグナルを見つけ出すことができる。以前ならリーダーが直接尋ねなければ分からなかった遅延シグナルも、データによってより早く表面化し得る。People Analyticsは、離職、エンゲージメント、協働、能力、生産性に関する指標を組織単位で示すことができる。証拠収集のコストは下がる。
しかし、証拠が増えることと目標が良くなることは別である。AIが見つけたシグナルが実際の成果を意味するのか、単なる活動量を意味するのかを区別しなければならない。文書作成量、会議出席回数、チケット処理件数は測定しやすい。だが、顧客体験の改善、戦略の実行、組織能力の蓄積は、より慎重に解釈する必要がある。AIは証拠を集めることはできるが、その証拠が何を意味するのかは人が検討しなければならない。
People Analyticsが強くなるほど、Key Resultはより厳格になる
People Analyticsは、HRが勘ではなくデータで意思決定を行うための強力な基盤である。AIHRはPeople Analyticsをデータに基づくHR能力として説明し、descriptive, diagnostic, predictive, prescriptive analyticsといった分析タイプを提示している。この流れが強まるほど、OKRのKey Resultはより厳格になる。
例えば、「リーダーシップ教育を強化する」というObjectiveの下に「教育を5回実施」をKey Resultとして置けば、AIとデータツールはこの活動を容易に追跡する。しかし、これは依然として活動指標である。Google playbookの原則のように、Key Resultはoutcomes, not activitiesでなければならない。「新任リーダーの60日以内のメンバー1on1実施率」「コア人材の維持率」「プロジェクト意思決定のリードタイム」「顧客不満の再発率」のように、結果に近い指標を考える必要がある。
データが増えれば、曖昧な目標はより早く明らかになる。何を測定するかを定められないOKRは、ダッシュボードに載せられない。反対に、測定しやすいものだけを目標にすれば、組織は重要な変化を見逃す可能性がある。People Analytics時代のKey Result設計は、数字を付ける作業ではなく、組織が本当に変えようとしている結果をデータの言語に翻訳する作業である。
月次チェックインはデータダッシュボードではなく、解釈の会議になる
AtlassianはOKR運用において、毎月score, analyze, summarizeすることを提案している。AIとPeople Analyticsが組み合わされると、月次チェックインはより多くのデータを持つようになる。進捗率、業務量、協働ネットワーク、従業員体験、顧客反応、課題の遅延シグナルが一つの画面に集まり得る。
とはいえ、チェックインがダッシュボードレビューで終わってはならない。CIPDは、効果的なHR意思決定はbest available evidenceとcritical thinkingの組み合わせに基づくべきだと説明している。証拠は判断を助けるが、判断を代替しない。データが語るのは「何が起きたのか」に近い。リーダーとHRが問うべきなのは、「なぜこのことが起き、これから何を変えるのか」である。
したがって、AI時代のOKRチェックインは、数字を読む会議ではなく解釈の会議でなければならない。指標が悪化したなら、担当者を追及するよりも原因を分けて考える必要がある。目標設計が誤っていたのか、リソースが不足していたのか、部門間の依存関係が解けていなかったのか、市場条件が変わったのかを区別しなければならない。データは会議の出発点であり、結論ではない。
データが増えるほど、HRの問いは成果ではなく責任へ移る
AIとPeople Analyticsが広がれば、HRはより多くの成果シグナルを見ることができる。しかし、シグナルが増えるほど新たなリスクも生じる。個人の活動量を成果と誤解したり、測定可能な指標だけを重要視したり、データ品質が低い状態で評価や報酬に結び付けたりするリスクである。
Google OKR playbookは、適切に運用されたOKRが、何が重要か、何を最適化するか、どのようなtradeoffを行うかを明確にしてくれると説明している。この原則はデータ時代にもそのまま当てはまる。HRの問いは「誰の成果が高いのか」で止まってはならない。「どの目標のために何を最適化しているのか」「この指標を高めれば、他の重要な価値が損なわれないか」「この結果は個人の努力の結果なのか、システムとリソース配分の結果なのか」へ移らなければならない。
特に韓国企業では、データが評価・報酬へ素早く結び付けられ得る。そのためHRは、データ活用の境界線を先に定めなければならない。OKR進捗データは成果対話の参考資料にはなり得るが、そのまま評価算式になれば危険である。AIが作成した要約も、検討可能な根拠とともに提示されるべきだ。データが増えるほど、責任ある解釈ルールがより必要になる。
AI時代のOKRでは、自動化ツールより運用ガバナンスが重要になる
AI Indexは、AI関連データを追跡、収集、整理、可視化し、政策決定者、研究者、企業リーダー、一般の理解を助けることを目的としている。この流れはHRにも示唆を与える。今後、パフォーマンスマネジメントはより多くのデータを扱うことになる。しかし、データが増えるほど、組織は何を測定し、誰がアクセスし、どの意思決定に使うのかを定めなければならない。
AI時代のOKR運用には、少なくとも三つのガバナンスが必要である。第一に、目標データの品質基準である。どの指標をKey Resultとして認めるのか、どのデータは参考にとどめるのかを定めなければならない。第二に、解釈権限の基準である。AI要約、ダッシュボード、People Analyticsの結果を誰が解釈し、どの会議で確定するのかを定めなければならない。第三に、評価・報酬との接続基準である。OKRデータがどこまで成果対話の根拠であり、どこから報酬判断の資料になるのかを分けなければならない。
例えば、コラボレーションツールのメッセージ数や会議出席率をそのまま「エンゲージメント」や「協働成果」と解釈するのは危険である。反対に、顧客応答時間、反復的な不満の減少、重要プロジェクトの意思決定リードタイムのように業務結果と結び付く指標は、OKR解釈のよい出発点になり得る。HRは指標の便利さではなく、結果との関連性、個人情報・労務リスク、従業員への説明可能性を併せて検討しなければならない。
OKR連載の出発点は、OKRが目標管理の様式ではなくパフォーマンスマネジメントの運用体系であるという問題意識だった。AIとPeople Analyticsの時代には、この観点がより重要になる。目標文はAIがより早く作成できる。進捗率はシステムがより頻繁に示せる。しかし、組織が何を選び、何を諦め、どの証拠を成果として認めるのかは自動化されない。
結局、AI時代のOKRは技術導入の問題ではない。より多くのデータを責任をもって解釈する組織運営の問題である。HRの役割も、ツール管理者から成果言語の設計者へ移っていく。AIが目標を代わりに管理する時代ではなく、AIが明らかにした証拠をめぐって、組織がより精緻に判断しなければならない時代が訪れている。
